Computación analógica moderna: ecuaciones diferenciales y matriciales
Descubre cómo la computación analógica moderna resuelve ecuaciones diferenciales y matriciales. Aplicaciones clave en IA y computación científica.
#matrices
Bandit Logístico Multinomial Eficiente con Frequent Directions
Descubre cómo EOFD-MLogB reduce drásticamente el tiempo y espacio en bandits logísticos multinomiales usando sketching de matrices.
Rediseño de enrutadores MoE con Iteración de Potencia en Variedades
Descubre el innovador método MPI que alinea los enrutadores MoE con direcciones singulares para mejorar eficiencia y precisión.
Kernels flexibles para predicción de propiedades proteicas
Descubre cómo los kernels flexibles con procesos Gaussianos y matrices de sustitución mejoran la predicción de propiedades proteicas, superando a modelos de fun
Conditional Vendi Score: Evaluación de diversidad en IA generativa
Descubre el Conditional Vendi Score, una nueva métrica que aísla la diversidad generada por el modelo en sistemas de IA guiados por prompts. Ideal para evaluar LLMs y modelos texto-imagen.
En defensa de la similitud coseno: la normalización elimina la libertad de gauge
Descubre por qué la similitud coseno es válida al normalizar embeddings. Elimina la libertad de gauge y obtén rankings de vecinos consistentes.
Covarianza cruzada riemanniana intrínseca invariante al punto base
Descubre la covarianza riemanniana para datos en variedades: teoría, propiedades asintóticas y experimentos con formas cardíacas.
Fusión de operadores para inferencia de LLM en arquitectura Tensix
Descubre cómo la fusión de operadores en la arquitectura Tensix reduce hasta un 37% la latencia en atención de LLM, manteniendo precisión superior al 98% en inferencia local.
Predicción Adaptativa de Tensores para Datos en Streaming
Nuevo marco de regresión tensorial adaptativa para predicción en streaming: modelos MoM y ToM con SGD. Reduce errores y mejora el filtrado de ruido en datos de alta dimensión.
AttentionCap: Aprendizaje de matrices de capacitancia con Transformers
AttentionCap: Transformer para extracción de capacitancia con 0.67% de error y 192x más velocidad. Descubre su impacto en EDA.
Factorización triple ortogonal no negativa para matrices simétricas
Descubre cómo resolver el problema de factorización triple de matrices no negativas ortogonales simétricas con dos nuevos algoritmos heurísticos. Aplicaciones en clustering y redes.
Aprendizaje Variacional Global para Corrección de Errores Cuánticos
Aprendizaje variacional global para corrección de errores cuánticos: reduce 97% tiempo de entrenamiento, mejora 25% tasa de éxito y logra 100% de precisión.
Emparejamiento Robusto de Grafos Aleatorios con AMP
Descubre un nuevo algoritmo AMP que logra emparejamiento robusto de grafos aleatorios densos incluso bajo perturbaciones adversariales de gran tamaño. Ideal para ciberseguridad y análisis de redes.
Inferencia de alta dimensión para matrices de precisión espectrales dispersas
Nuevo método de inferencia para matrices de precisión espectrales dispersas en alta dimensión. Obtén estimaciones confiables y mayor potencia.
Proyecciones baricéntricas de planes de transporte óptimo en variedades riemannianas
Convierte acoplamientos de transporte óptimo en mapas deterministas en variedades riemannianas con proyecciones baricéntricas. Intrínseco y tangencial.
Completación de matrices categóricas latentes para análisis de cuasiespecies
Descubre LCMC, un innovador marco de optimización doble bucle para completar matrices categóricas en el análisis de cuasiespecies virales. Mayor precisión y eficiencia.
Solucionadores probabilísticos estables para EDOs rígidas y de alta dimensión
Descubre cómo solucionadores probabilísticos para EDOs rígidas y de alta dimensión logran estabilidad y escalabilidad lineal, superando el coste cúbico.
Límites de información para covarianza dispersa en modelo vertical
Nuevos límites minimax muestran que la esparsidad en covarianza reduce la comunicación requerida en modelos verticales distribuidos.
Diversidad de tareas y aprendizaje en contexto en subespacios
Descubre cómo la diversidad de tareas de entrenamiento mejora el aprendizaje en contexto en transformers lineales. Un análisis teórico con subespacios de baja dimensión.
SigmaScale: Compresión de LLM con SVD y matrices de escala aprendidas
Descubre SigmaScale, método para comprimir LLMs con descomposición SVD y matrices de escala aprendidas. Reduce costo computacional sin perder rendimiento.